EBOOK Systemy uczące się oparte na podobieństwie obrazów do prognozowania szeregów czasowych obciąże

W monografii przedstawiono modele prognostyczne wykorzystujące metody uczenia maszynowego, rozpoznawania obrazów i inteligencji obliczeniowej do sporządzania krótkoterminowych prognoz obciążeń systemów elektroenergetycznych. Wspólną cechą tych modeli jest uczenie się na podstawie danych i wykorzystanie podobieństw obrazów cykli sezonowych szeregów czasowych obciążeń. Szeregi te są niestacjonarne, heteroskedastyczne, wykazują trend, wiele cykli wahań sezonowych oraz zakłócenia losowe. Nowe podejście oparte na podobieństwie obrazów i lokalnej regresji nieparametrycznej upraszcza problem prognostyczny i umożliwia konstrukcję efektywnych modeli prognostycznych. Modele to opierają się następującym założeniu: jeżeli obrazy cykli sezonowych szeregu czasowego są do siebie podobne (obrazy wejściowe), to obrazy cykli następujących po nich (obrazy prognoz) również są do siebie podobne. Założenie to pozwala budować modele prognostyczne wykorzystujące analogie pomiędzy powtarzającymi się fragmentami szeregu czasowego z wahaniami sezonowymi.
Streszczenie
Wykaz podstawowych oznaczeń i akronimów
1. Wstęp

1.1. Znaczenie prognozowania w elektroenergetyce
1.2. Problemy krótkoterminowego prognozowania obciążeń systemów elektroenergetycznych
1.3. Przedmiot badań
1.4. Cel i teza pracy
1.5. Zakres i układ pracy
1.6. Cechy nowości pracy
1.7. Podziękowania

2. Przegląd metod prognozowania krótkoterminowego obciążeń systemów elektroenergetycznych

2.1. Modele konwencjonalne
2.2. Modele niekonwencjonalne

3. Analiza szeregów czasowych obciążeń systemów elektroenergetycznych

3.1. Analiza stacjonarności i homoskedastyczności
3.2. Analiza wahań sezonowych
3.3. Analiza dobowej zmienności obciążenia
3.4. Identyfikacja obserwacji odstających
3.5. Uzupełnianie brakujących danych

4. Modele prognostyczne oparte na podobieństwie obrazów cykli sezonowych szeregów czasowych

4.1. Obrazy cykli dobowych szeregów czasowych obciążeń systemów elektroenergetycznych
4.2. Miary podobieństwa obrazów
4.3. Analiza podobieństwa obrazów

5. Modele prognostyczne jako systemy uczące się

5.1. Systemy uczące się
5.2. Konstrukcja modeli prognostycznych
5.3. Optymalizacja i selekcja modeli
5.4. Modele globalne i lokalne
5.5. Ograniczenie wymiarowości problemu
5.6. Badania symulacyjne

6. Model oparty na estymatorach jądrowych

6.1. Model JEFR
6.2. Optymalizacja modelu JEFR
6.3. Badania symulacyjne modelu JEFR

7. Modele oparte na estymatorach najbliższego sąsiedztwa

7.1. Modele K-NS i REFR
7.2. Optymalizacja modeli K-NS i REFR
7.3. Badania symulacyjne modeli K-NS i REFR

8. Model oparty na sztucznych systemie immunologicznym SSI1

8.1. Inspiracje biologiczne
8.2. Model SSI1
8.3. Dyskusja
8.4. Badania symulacyjne modelu SSI1

9. Modele oparte na grupowaniu obrazów

9.1. Procedury prognostyczne
9.2. Metody grupowania
9.3. Badania symulacyjne modeli wykorzystujących grupowanie obrazów

10. Ocena modeli prognostycznych w krótkoterminowym prognozowaniu obciążeń systemów elektroenergetycznych

10.1. Analiza złożoności obliczeniowej algorytmów
10.2. Ocena wrażliwości modeli na zmiany wartości parametrów
10.3. Ocena odporności modeli na dane zakłócone
10.4. Ocena odporności modeli na brakujące składowe wektora mocy
10.5. Analiza statystyczna błędów prognoz
10.6. Porównanie dokładności modeli prognostycznych
10.7. Badania symulacyjne dla horyzontów czasowych do 7 dni
10.8. Podsumowanie

11. Podsumowanie
Literatura